Skip to content

关于因果学习如何正确计算平均因果效应的例子。

License

Notifications You must be signed in to change notification settings

CarlCypress/causal_learning

 
 

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

5 Commits
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

因果推理

假设你有一些观测数据集,你作为行业专家,把这些变量之间的因果结构图进行了绘制(假设)如下:

graph

那么应该如何计算钠摄入到血压的平均因果效应(ATE)呢?

  • 直接计算钠摄入到血压的ATE,即 $X={\emptyset}$
  • 控制年龄,即 $X={age}$
  • 控制蛋白尿,即 $X={age,proteinuria}$

答案是 控制年龄 ,因为在这个因果图当中仅有年龄是混杂因子(confounder), fork结构 有错误的关联, v结构 没有关联,若强控制蛋白尿,则反而会产生错误关联。


我目前认为 先验知识 很重要,否则无法建立上面的 因果图 ,进而无法计算正确的 ATE

About

关于因果学习如何正确计算平均因果效应的例子。

Resources

License

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages

  • Python 100.0%